前言

在上一篇内容中，我们介绍了利用 KMeans 聚类算法寻找股票支撑位和压力位的核心原理，本篇将聚焦实战落地，通过 Python 结合 QMT 的 xtquant 库实现完整的 KMeans 聚类找支撑 / 压力位的代码，小白也能直接照着运行，同时讲解如何将聚类结果应用到实际交易中。

一、核心思路回顾

股票的支撑位和压力位本质是价格密集成交区，股价在这些位置容易出现反弹或遇阻。KMeans 聚类能自动识别股价序列中的价格中枢，这些聚类中心就是潜在的支撑 / 压力位，我们通过 5 类聚类划分出股价的关键运行区间，为交易提供参考。

二、环境准备

实现本次实战需要安装以下 Python 库，直接通过 pip 安装即可：

pip install xtquant pandas numpy matplotlib mplfinance scikit-learn

• xtquant：QMT 的量化交易库，用于获取股票历史行情数据；
• pandas/numpy：数据处理与数值计算；
• matplotlib/mplfinance：行情与聚类结果可视化；
• scikit-learn：机器学习库，提供 KMeans 聚类算法。

三、完整代码实现

3.1 代码整体实现

以下是最简版可直接运行的代码，包含行情获取、KMeans 聚类、结果可视化三大核心步骤，代码中做了详细注释：

# 导入所需库
from xtquant import xtdata
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# 关闭plt的警告信息（可选）
plt.rcParams['font.sans-serif'] = ['SimHei']  # 显示中文
plt.rcParams['axes.unicode_minus'] = False    # 显示负号
xtdata.enable_hello = False  # 关闭xtdata的欢迎信息

def get_hq(code, start_date='19900101', period='1d', dividend_type='front_ratio', count=-1):
    """
    从QMT的xtquant获取股票历史行情数据
    :param code: 股票代码，如000001.sz
    :param start_date: 开始日期，格式YYYYMMDD
    :param period: 周期，1d(日)、1w(周)、1mon(月)
    :param dividend_type: 除权方式，front_ratio等比前复权（推荐）
    :param count: 获取数据条数，-1为获取全部
    :return: 整理后的DataFrame行情数据
    """
    # 下载历史数据
    xtdata.download_history_data(stock_code=code, period=period, incrementally=True)
    # 获取行情数据（开盘、最高、最低、收盘、成交量、成交额、前收盘价）
    history_data = xtdata.get_market_data_ex(['open', 'high', 'low', 'close', 'volume', 'amount', 'preClose'], code, start_date=start_date, count=count)
    df = history_data[code]
    # 处理索引为日期格式
    df.index = pd.to_datetime(df.index.astype(str), format='%Y%m%d')
    df['date'] = df.index
    return df

# 1. 获取行情数据：以深发展A(000001.sz)2024年至今的日K为例
df = get_hq('000001.sz', start_date='20240101', period='1d', dividend_type='front_ratio', count=-1)
# 提取收盘价作为聚类特征，reshape满足KMeans输入要求
prices = df['close'].values.reshape(-1, 1)

# 2. KMeans聚类：设置5个聚类中心（可根据需求调整n_clusters）
from sklearn.cluster import KMeans
kmeans = KMeans(n_clusters=5, random_state=42).fit(prices)
# 获取聚类中心并排序，便于后续分析支撑/压力位
centers = sorted(kmeans.cluster_centers_.flatten())

# 3. 结果可视化：绘制收盘价曲线+聚类中心（支撑/压力位）水平线
plt.figure(figsize=(10, 6))
plt.plot(df.index, df['close'], label="收盘价", color="blue", linewidth=1.5)
# 绘制每个聚类中心的红色水平线
for c in centers:
    plt.axhline(c, color="red", linestyle="-", alpha=0.6, label=f"价格中枢{round(c,2)}" if c == centers[0] else "")
plt.title('KMeans聚类寻找支撑/压力位 - 000001.sz', fontsize=14)
plt.xlabel('日期', fontsize=12)
plt.ylabel('收盘价（元）', fontsize=12)
plt.legend(loc='best')
plt.grid(alpha=0.3)
plt.show()

# 打印聚类中心（潜在的支撑/压力位）
print("聚类中心(可能的支撑/压力位)：", [round(x, 2) for x in centers])

3.2 代码关键说明

1. 行情获取函数get_hq：封装了 xtquant 的行情下载与数据整理，默认使用等比前复权，复权后的数据能更真实反映股价的实际走势，避免除权除息对价格的干扰；
2. KMeans 参数设置：n_clusters=5表示划分 5 个价格中枢，random_state=42保证聚类结果可复现；
3. 聚类中心排序：对聚类中心进行升序排序，方便后续从低到高判断支撑、压力位；
4. 可视化优化：添加了中文显示、网格、图例等，让结果更易读。

四、运行结果解读

代码运行后，会输出聚类中心数值和行情可视化图：

1. 数值结果：会打印出 5 个排序后的价格中枢，例如[148.50, 152.70, 160.30, 165.80, 172.10]，这些数值是股价的关键密集成交区；
2. 图形结果：蓝色曲线为股票收盘价走势，红色水平线为聚类中心，每条红线都是股价的关键位置。

这些红色水平线对应的价格，就是我们通过算法识别出的潜在支撑位和压力位，可以把它们理解为股价运行的 “楼层”，股价在不同 “楼层” 会出现不同的市场行为。

五、聚类结果在交易中的实际应用

KMeans 聚类得到的价格中枢并非绝对的支撑 / 压力位，但能为交易提供高参考价值的量化依据，核心应用场景分为两大方向：

5.1 判断支撑位与压力位

通过聚类中心的高低位置，直接划分支撑和压力区间：

• 支撑位：股价下跌到中低位置的聚类中心（如上述示例的 152.70）附近时，市场存在大量成交承接盘，股价大概率出现反弹，是低吸的潜在位置；
• 压力位：股价上涨到中高位置的聚类中心（如上述示例的 165.80、172.10）附近时，市场存在大量抛压盘，股价突破难度大，是高抛的潜在位置。

注意：低位的聚类中心支撑性更强，高位的聚类中心压力性更强，中间位置的聚类中心为股价的震荡中枢。

5.2 作为止损与止盈的参考依据

支撑 / 压力位不仅是进出场信号，更是风险管理的核心工具，能让止损、止盈设置更具量化性，避免主观臆断：

1. 止损设置：若在支撑位附近（如 152.70）买入，当股价有效跌破该支撑位时，说明市场情绪弱于预期，原有上涨逻辑被破坏，应果断止损，避免更大亏损；
2. 止盈设置：若在低位（如 150.00）买入，当股价上涨到压力位附近（如 165.80）时，可进行部分止盈，落袋为安；若股价突破压力位，可持有观望，看向上一个更高的聚类中心。

六、拓展与优化建议

本次实现的是最简版代码，在实际量化交易中，可从以下方面优化，让结果更精准：

1. 调整聚类数量：n_clusters可根据股票的波动特性调整，波动小的股票可设置 3-4 类，波动大的股票可设置 6-7 类；
2. 加入更多特征：除了收盘价，可结合开盘价、最高价、最低价的均值进行聚类，更全面反映成交价格；
3. 结合成交量：在价格中枢附近，若成交量放大，说明该位置的支撑 / 压力有效性更强，可加入成交量筛选；
4. 动态更新聚类：通过定时任务更新行情数据，重新聚类，适应股价的动态变化；
5. 结合其他指标：将 KMeans 聚类结果与 MA、MACD、RSI 等技术指标结合，形成多因子交易策略，提高胜率。

七、总结

本文通过 Python+QMT+KMeans 实现了量化寻找股票支撑 / 压力位的完整流程，核心是利用聚类算法识别股价的密集成交区，摆脱了传统技术分析中主观画趋势线的弊端，为交易提供了量化依据。

该方法的优势是自动化、可复现、适应性强，适用于不同周期（日 K、周 K、月 K）和不同标的（股票、期货、ETF）；需要注意的是，量化分析只是交易的辅助工具，实际操作中还需结合市场情绪、基本面等因素综合判断。

快去用自己关注的股票代码试试吧，看看 KMeans 能为你挖掘出哪些关键的支撑 / 压力位！

---

原创不易，欢迎点赞、收藏、关注！ 后续会继续分享 QMT 量化交易和机器学习在金融中的实战应用，敬请期待～